CN113723171B - 基于残差生成对抗网络的脑电信号去噪方法 - Google Patents
基于残差生成对抗网络的脑电信号去噪方法 Download PDFInfo
- Publication number
- CN113723171B CN113723171B CN202110666391.0A CN202110666391A CN113723171B CN 113723171 B CN113723171 B CN 113723171B CN 202110666391 A CN202110666391 A CN 202110666391A CN 113723171 B CN113723171 B CN 113723171B
- Authority
- CN
- China
- Prior art keywords
- residual error
- signal
- neural network
- electroencephalogram
- noise
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 76
- 230000003042 antagnostic effect Effects 0.000 claims abstract description 34
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000012360 testing method Methods 0.000 claims abstract description 14
- 230000006870 function Effects 0.000 claims description 25
- 210000004556 brain Anatomy 0.000 claims description 22
- 238000011176 pooling Methods 0.000 claims description 11
- PIZHFBODNLEQBL-UHFFFAOYSA-N 2,2-diethoxy-1-phenylethanone Chemical compound CCOC(OCC)C(=O)C1=CC=CC=C1 PIZHFBODNLEQBL-UHFFFAOYSA-N 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000003183 myoelectrical effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000000638 solvent extraction Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 14
- 238000012545 processing Methods 0.000 abstract description 11
- 238000010586 diagram Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012880 independent component analysis Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Signal Processing (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Veterinary Medicine (AREA)
- Animal Behavior & Ethology (AREA)
- Psychiatry (AREA)
- Surgery (AREA)
- Mathematical Physics (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Pathology (AREA)
- Computational Linguistics (AREA)
- Physiology (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Psychology (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
一种基于残差生成对抗网络的脑电信号去噪方法，由选取脑电样本、构建含噪脑电信号样本、划分网络训练集和测试集、构建残差生成对抗神经网络、训练残差生成对抗神经网络、重建去噪脑电信号步骤组成。由于本发明构建了一个残差生成对抗神经网络，通过引入残差生成器和判别器，增强了神经网络的学习能力，实现了实时去噪，引入判别器，提高了脑电信号去噪的效率和质量，筛选出有效的特征；将信号去噪过程分为模型训练和去噪过程，提高了信号去噪的信噪比和均方误差。本发明具有神经网络结构简单、脑电信号去噪效率高、去噪质量好等优点，可应用于脑电信号处理的预处理过程和信号去噪处理技术领域。
Description
技术领域
本发明属于计算机技术领域，具体涉及到残差生成对抗神经网络的脑电信号去噪方法。
技术背景
脑-机接口在教育，健康辅助，娱乐以及军事方面都有广泛的应用，但是脑电信号从采集开始到可以被有效地应用的过程中，需要经过信号处理等一系列处理步骤。这是由于脑电信号非常微弱，脑电信号的单位为微伏，脑电信号抗干扰能力差，容易受各种因素影响。在采集脑电信号过程中，容易受到环境干扰，因此，去除脑电干扰信号，提高脑电信号信噪比，提取脑电信号中有效的特征，是有效利用脑电信号的前提。
去除脑电信号伪迹有多种方法，常用的方法有盲源信号分离方法，包括主成分分析法、独立成分分析法等等，但是，这类方法的鲁棒性较低，对于含伪迹的脑电信号的细微变化十分敏感，因此，并不适用于含有复杂噪声情况下的脑电信号的处理。
经验模态分解方法将输入信号根据固有模态功能分解成多个经验模态，有利于分析多组分信号，因此众多研究人员将经验模态分解方法以及其改进算法应用于脑电信号的去噪分析中。在信号处理领域中，小波变换可以很好地描绘信号时频域特征，因此得到了广泛的应用。在脑电信号的肌电去噪领域中四种不同的小波变换技术：离散小波变换，双树小波变换，双密度小波变换和双密度双树小波变换和四种不同的阈值技术(如硬阈值，软阈值，半软阈值和邻域系数阈值)对肌电信号损坏的脑电信号进行消噪，这些方法滤除脑电信号上的伪迹，取得了较好的结果，但是这些滤波器过度依赖参数的调整，容易受到参数影响，伪迹消除效果不稳定。基于以上分析，现有方法不能满足分析所需的脑电信号降噪要求。
近年来由于硬件计算能力的提升，深度学习受到相关研究人员的广泛关注，从大量数据中提取特征和拟合非线性函数，从而更新神经元的权重值，让神经网络的参数得以充分的优化，达到解决相关问题的目的。
在脑信号处理技术领域，当前需迫切解决的技术问题提供一种基于残差生成对抗神经网络的脑电信号去噪方法。
发明内容
本发明所要解决的技术问题在于克服上述现有技术问题的缺点，提供一种能保持原有脑电信号非线性特征、滤除脑电信号的噪声的基于残差生成对抗网络的脑电信号去噪方法。
解决上述技术问题采用的技术方案是由下述步骤组成：
(1)选取脑电样本
从DEAP数据库中选取32个测试者的纯净脑电信号样本
表示该测试者第S个样本，S的取值为2000～10000，C为纯净脑电信号样本的通道数，C取值为16～64，T为第S个样本的纯净脑电信号样本采样点个数，T取值为320～1000。
(2)构建含噪脑电信号样本
分别选取高斯白噪声和测试者的肌电噪声作为噪声，在纯净脑电信号样本中分别加入信噪比为-2dB、0dB、2dB的噪声，构建成6种含噪脑电信号样本，按下式加入噪声：
EEGn＝EEGc+γ×EEGs
其中EEGn为添加了噪声的脑电信号，RMS(EEGc)为干净脑电信号的均方根，γ表示噪声的污染程度因子，RMS(EEGs)为噪声信号的均方根，gi表示脑电信号第i个样本，SNR为信噪比，即原始信号与添加的噪声信号的比值；N为有限的正整数。
(3)划分网络训练集和测试集
将含噪脑电信号样本的80％划分为网络训练集、含噪脑电信号样本的20％划分为网络测试集。
(4)构建残差生成对抗神经网络
残差生成对抗神经网络由1个判别器D(y)与1个残差生成器G(x)串联组成，判别器D(y)由4个神经网络层串联构成。残差生成器G(x)由第一个残差单元依次与第二个残差单元、第三个残差单元、第四个残差单元、池化层、全连接层串联构成，每个残差单元由2～6个一维卷积层串联组成，构建成残差生成器G(x)。
(5)训练残差生成对抗神经网络
用训练样本训练残差生成对抗神经网络，损失函数使用传统的对抗损失函数LGAN和LL1(x,y)损失函数组合的联合损失函数L，采用Adam优化算法动态调整残差生成对抗神经网络的学习率进行训练，得到训练好的残差生成对抗神经网络。
所述的对抗损失函数LGAN为：
其中y表示纯净脑电信号样本，x表示输入的含噪脑电信号样本，
表示纯净脑电信号样本的数学期望值，
表示输入的含噪脑电信号样本的数学期望值。
所述的损失函数LL1(x,y)为：
所述的联合损失函数L为：
L＝LGAN+LL1(x,y)
(6)重建去噪脑电信号
将网络测试集的含噪脑电信号输入到训练好的残差生成对抗神经网络中，输出对应的重构脑电信号。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述第一个残差单元、第二个残差单元、第三个残差单元、第四个残差单元由2～6个一维卷积层串联构成。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的一维卷积层的卷积核大小为1×3。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的脑电信号经第一个残差单元的输出通道为64、步长为1，第二个残差单元的输出通道为128、步长为2，第三个残差单元的输出通道为256、步长为2，第四个残差单元的输出通道为512、步长为2，第四个残差单元的输出经过池化层、全连接层输出，得到长度为1000的脑电信号。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的判别器D(y)的第一个神经网络层的维度为1000×800，第二个神经网络层的维度为800×100，第三个神经网络层的维度为100×50，第四个神经网络层的维度为50×1。
本发明与现有的技术相比具有以下优点：
由于本发明构建了一个残差生成对抗神经网络，通过引入残差生成器和判别器，增强了神经网络的学习能力，借助残差生成器，有效地提取信号特征，建立起噪声信号到脑信号的准确映射，实现了实时去噪，同时引入判别器，通过对抗损失LGAN和均方误差LL1(x,y)作为损失函数，提高了脑电信号去噪的效率和质量，筛选出有效的特征；将信号去噪过程分为模型训练和去噪过程，显著地提高了信号去噪的信噪比和均方误差。本发明具有神经网络结构简单、脑电信号去噪效率高、去噪质量好等优点，可应用于脑电信号处理的预处理过程和信号去噪处理技术领域。
附图说明
图1是本发明实施例1的流程图。
图2是残差生成对抗网络的结构示意图。
图3是纯净脑电信号的热力图。
图4是含噪脑电信号的热力图。
图5是去噪后脑电信号的热力图。
具体实施方式
下面结合附图和实施例对本发明进一步详细说明，但本发明不限于下述的实施方式。
实施例1
以在DEAP数据库中选取32个测试者的纯净脑电信号样本6000为例，本实施例的基于残差生成对抗网络的脑电信号去噪方法由下述步骤组成(参见图1)：
(1)选取脑电样本
从DEAP数据库中选取32个测试者的纯净脑电信号样本
表示该测试者第S个样本，S的取值为6000，C为纯净脑电信号样本的通道数，C取值为32，T为第S个样本的纯净脑电信号样本采样点个数，T取值为640。
(2)构建含噪脑电信号样本
分别选取高斯白噪声和测试者的肌电噪声作为噪声，在纯净脑电信号样本中分别加入信噪比为-2dB、0dB、2dB的噪声，构建成6种含噪脑电信号样本，按下式加入噪声：
EEGn＝EEGc+γ×EEGs
其中EEGn为添加了噪声的脑电信号，RMS(EEGc)为干净脑电信号的均方根，γ表示噪声的污染程度因子，RMS(EEGs)为噪声信号的均方根，gi表示脑电信号第i个样本，SNR为信噪比，即原始信号与添加的噪声信号的比值，本实施例的比值为-2dB、0dB、2dB；N为有限的正整数,本实施例的N取值为6000。
(3)划分网络训练集和测试集
将含噪脑电信号样本6000的80％划分为网络训练集、含噪脑电信号样本的20％划分为网络测试集。
(4)构建残差生成对抗神经网络
在图2中，本实施例的残差生成对抗神经网络由1个判别器D(y)与1个残差生成器G(x)串联组成。
判别器D(y)由4个神经网络层1串联构成。第一个神经网络层1的维度为1000×800，第二个神经网络层1的维度为800×100，第三个神经网络层1的维度为100×50，第四个神经网络层1的维度为50×1。
残差生成器G(x)由第一个残差单元2依次与第二个残差单元3、第三个残差单元4、第四个残差单元5、池化层6、全连接层7串联构成，每个残差单元由4个一维卷积层串联组成，构建成残差生成器G(x)，一维卷积层的卷积核大小为1×3。脑电信号经第一个残差单元2的输出通道为64、步长为1，第二个残差单元3的输出通道为128、步长为2，第三个残差单元4的输出通道为256、步长为2，第四个残差单元5的输出通道为512、步长为2，第四个残差单元5的输出经过池化层6、全连接层7输出，得到长度为1000的脑电信号。
(5)训练残差生成对抗神经网络
用训练样本训练残差生成对抗神经网络，损失函数使用传统的对抗损失函数LGAN和LL1(x,y)损失函数组合的联合损失函数L，采用Adam优化算法动态调整残差生成对抗神经网络的学习率进行训练，得到训练好的残差生成对抗神经网络。
所述的对抗损失函数LGAN为：
其中y表示纯净脑电信号样本，x表示输入的含噪脑电信号样本，
表示纯净脑电信号样本的数学期望值，
表示输入的含噪脑电信号样本的数学期望值。
所述的损失函数LL1(x,y)为：
所述的联合损失函数L为：
L＝LGAN+LL1(x,y)
(6)重建去噪脑电信号
将网络测试集的含噪脑电信号输入到训练好的残差生成对抗神经网络中，输出对应的重构脑电信号。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的一维卷积层的卷积核大小为1×3。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的脑电信号经第一个残差单元2的输出通道为64、步长为1，第二个残差单元3的输出通道为128、步长为2，第三个残差单元4的输出通道为256、步长为2，第四个残差单元5的输出通道为512、步长为2，第四个残差单元5的输出经过池化层6、全连接层7输出，得到长度为1000的脑电信号。
在本发明的(4)构建残差生成对抗神经网络步骤中，所述的判别器D(y)的第一个神经网络层1的维度为1000×800，第二个神经网络层1的维度为800×100，第三个神经网络层1的维度为100×50，第四个神经网络层1的维度为50×1。
完成去除脑电信号中的噪声。
实施例2
以在DEAP数据库中选取32个测试者的纯净脑电信号样本2000为例，本实施例的基于残差生成对抗网络的脑电信号去噪方法由下述步骤组成：
(1)选取脑电样本
从DEAP数据库中选取16个测试者的纯净脑电信号样本
表示该测试者第S个样本，S的取值为2000，C为纯净脑电信号样本的通道数，C取值为16，T为第S个样本的纯净脑电信号样本采样点个数，T取值为320。
(2)构建含噪脑电信号样本
分别选取高斯白噪声和测试者的肌电噪声作为噪声，在纯净脑电信号样本中分别加入信噪比为-2dB、0dB、2dB的噪声，构建成6种含噪脑电信号样本，按下式加入噪声：
EEGn＝EEGc+γ×EEGs
其中EEGn为添加了噪声的脑电信号，RMS(EEGc)为干净脑电信号的均方根，γ表示噪声的污染程度因子，RMS(EEGs)为噪声信号的均方根，gi表示脑电信号第i个样本，SNR为信噪比，即原始信号与添加的噪声信号的比值，本实施例的比值为-2dB、0dB、2dB；N为有限的正整数,本实施例的N取值为2000。
(3)划分网络训练集和测试集
将含噪脑电信号样本2000的80％划分为网络训练集、含噪脑电信号样本的20％划分为网络测试集。
(4)构建残差生成对抗神经网络
本实施例的残差生成对抗神经网络由1个判别器D(y)与1个残差生成器G(x)串联组成。
判别器D(y)由4个神经网络层1串联构成。第一个神经网络层1的维度为1000×800，第二个神经网络层1的维度为800×100，第三个神经网络层1的维度为100×50，第四个神经网络层1的维度为50×1。
残差生成器G(x)由第一个残差单元2依次与第二个残差单元3、第三个残差单元4、第四个残差单元5、池化层6、全连接层7串联构成，每个残差单元由2个一维卷积层串联组成，构建成残差生成器G(x)，一维卷积层的卷积核大小为1×3。脑电信号经第一个残差单元2的输出通道为64、步长为1，第二个残差单元3的输出通道为128、步长为2，第三个残差单元4的输出通道为256、步长为2，第四个残差单元5的输出通道为512、步长为2，第四个残差单元5的输出经过池化层6、全连接层7输出，得到长度为1000的脑电信号。
其它步骤与实施例1相同。完成去除脑电信号中的噪声。
实施例3
以在DEAP数据库中选取64个测试者的纯净脑电信号样本10000为例，本实施例的基于残差生成对抗网络的脑电信号去噪方法由下述步骤组成：
(1)选取脑电样本
从DEAP数据库中选取64个测试者的纯净脑电信号样本
表示该测试者第S个样本，S的取值为10000，C为纯净脑电信号样本的通道数，C取值为64，T为第S个样本的纯净脑电信号样本采样点个数，T取值为1000。
(2)构建含噪脑电信号样本
分别选取高斯白噪声和测试者的肌电噪声作为噪声，在纯净脑电信号样本中分别加入信噪比为-2dB、0dB、2dB的噪声，构建成6种含噪脑电信号样本，按下式加入噪声：
EEGn＝EEGc+γ×EEGs
其中EEGn为添加了噪声的脑电信号，RMS(EEGc)为干净脑电信号的均方根，γ表示噪声的污染程度因子，RMS(EEGs)为噪声信号的均方根，gi表示脑电信号第i个样本，SNR为信噪比，即原始信号与添加的噪声信号的比值，本实施例的比值为-2dB、0dB、2dB；N为有限的正整数,本实施例的N取值为10000。
(3)划分网络训练集和测试集
将含噪脑电信号样本2000的80％划分为网络训练集、含噪脑电信号样本的20％划分为网络测试集。
(4)构建残差生成对抗神经网络
本实施例的残差生成对抗神经网络由1个判别器D(y)与1个残差生成器G(x)串联组成。
判别器D(y)由4个神经网络层1串联构成。第一个神经网络层1的维度为1000×800，第二个神经网络层1的维度为800×100，第三个神经网络层1的维度为100×50，第四个神经网络层1的维度为50×1。
残差生成器G(x)由第一个残差单元2依次与第二个残差单元3、第三个残差单元4、第四个残差单元5、池化层6、全连接层7串联构成，每个残差单元由6个一维卷积层串联组成，构建成残差生成器G(x)，一维卷积层的卷积核大小为1×3。脑电信号经第一个残差单元2的输出通道为64、步长为1，第二个残差单元3的输出通道为128、步长为2，第三个残差单元4的输出通道为256、步长为2，第四个残差单元5的输出通道为512、步长为2，第四个残差单元5的输出经过池化层6、全连接层7输出，得到长度为1000的脑电信号。
其它步骤与实施例1相同。完成去除脑电信号中的噪声。
为了验证本发明的有益效果，发明人采用本发明实施例1的方法进行了仿真实验，实验情况如下：
1、仿真条件
硬件条件为：1块Nvidia 1080Ti显卡，128G内存。
软件平台为：Pytorch框架。
2、仿真内容与结果
用实施例1方法在上述仿真条件下进行实验。丛DEAP数据库中选取32个测试者的纯净脑电信号样本6000，纯净脑电信号的热力图如图3所示，在纯净脑电信号中添加噪声，添加噪声后脑电信号的热力图如图4所示，采用实施例1的方法去除添加噪声后脑电信号的热力图如图5所示。由图3、4、5可见，图4出现多余的噪点和原始脑电信息的丢失，经过本发明去除噪声后，多余的噪声点消失，并且，热力图和纯净脑电信号差距不大，由此证明，采用残差生成对抗网络去除脑电信号的噪声的效果显著。与现有技术相比，本发明具有以下优点：
由于本发明构建了一个残差生成对抗神经网络，通过引入残差生成器和判别器，增强了神经网络的学习能力，借助残差生成器，有效地提取信号特征，建立起噪声信号到脑信号的准确映射，实现了实时去噪，同时引入判别器，并且通过对抗损失LGAN和均方误差LL1(x,y)作为损失函数，提升了脑电信号去噪的效率和质量，筛选出有效的特征；将信号去噪过程分为模型训练和去噪过程，能够显著提高信号去噪的信噪比和均方误差。本发明方法可应用于脑电信号处理的预处理过程和信号去噪处理技术领域。
Claims (2)
1.一种基于残差生成对抗网络的脑电信号去噪方法，其特征在于由下述步骤组成：
(1)选取脑电样本
从DEAP数据库中选取32个测试者的纯净脑电信号样本
表示该测试者第S个样本，S的取值为2000～10000，C为纯净脑电信号样本的通道数，C取值为16～64，T为第S个样本的纯净脑电信号样本采样点个数，T取值为320～1000；
(2)构建含噪脑电信号样本
分别选取高斯白噪声和测试者的肌电噪声作为噪声，在纯净脑电信号样本中分别加入信噪比为-2dB、0dB、2dB的噪声，构建成6种含噪脑电信号样本，按下式加入噪声：
EEGn＝EEGc+γ×EEGs
其中EEGn为添加了噪声的脑电信号，RMS(EEGc)为干净脑电信号的均方根，γ表示噪声的污染程度因子，RMS(EEGs)为噪声信号的均方根，gi表示脑电信号第i个样本，SNR为信噪比，即原始信号与添加的噪声信号的比值；N为有限的正整数；
(3)划分网络训练集和测试集
将含噪脑电信号样本的80％划分为网络训练集、含噪脑电信号样本的20％划分为网络测试集；
(4)构建残差生成对抗神经网络
残差生成对抗神经网络由1个判别器D(y)与1个残差生成器G(x)串联组成，判别器D(y)由4个神经网络层(1)串联构成；残差生成器G(x)由第一个残差单元(2)依次与第二个残差单元(3)、第三个残差单元(4)、第四个残差单元(5)、池化层(6)、全连接层(7)串联构建成残差生成器G(x)；
所述第一个残差单元(2)、第二个残差单元(3)、第三个残差单元(4)、第四个残差单元(5)由2～6个一维卷积层串联构成,一维卷积层的卷积核大小为1×3；
所述的脑电信号经第一个残差单元(2)的输出通道为64、步长为1，第二个残差单元(3)的输出通道为128、步长为2，第三个残差单元(4)的输出通道为256、步长为2，第四个残差单元(5)的输出通道为512、步长为2，第四个残差单元(5)的输出经过池化层(6)、全连接层(7)输出，得到长度为1000的脑电信号；
(5)训练残差生成对抗神经网络
用训练样本训练残差生成对抗神经网络，损失函数使用传统的对抗损失函数LGAN和LL1(x,y)损失函数组合的联合损失函数L，采用Adam优化算法动态调整残差生成对抗神经网络的学习率进行训练，得到训练好的残差生成对抗神经网络；
所述的对抗损失函数LGAN为：
其中y表示纯净脑电信号样本，x表示输入的含噪脑电信号样本，
表示纯净脑电信号样本的数学期望值，
表示输入的含噪脑电信号样本的数学期望值：
所述的损失函数LL1(x,y)为：
其中N为有限的正整数，本实施例的N取值为6000，所述的联合损失函数L为：
L＝LGAN+LL1(x,y)
(6)重建去噪脑电信号
将网络测试集的含噪脑电信号输入到训练好的残差生成对抗神经网络中，输出对应的重构脑电信号。
2.根据权利要求1所述的基于残差生成对抗网络的脑电信号去噪方法，其特征在于：在(4)构建残差生成对抗神经网络步骤中，所述的判别器D(y)由4个神经网络层(1)串联构成，第一个神经网络层(1)的维度为1000×800，第二个神经网络层(1)的维度为800×100，第三个神经网络层(1)的维度为100×50，第四个神经网络层(1)的维度为50×1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666391.0A CN113723171B (zh) | 2021-06-16 | 2021-06-16 | 基于残差生成对抗网络的脑电信号去噪方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110666391.0A CN113723171B (zh) | 2021-06-16 | 2021-06-16 | 基于残差生成对抗网络的脑电信号去噪方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113723171A CN113723171A (zh) | 2021-11-30 |
| CN113723171B true CN113723171B (zh) | 2022-11-11 |
Family
ID=78672970
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110666391.0A Expired - Fee Related CN113723171B (zh) | 2021-06-16 | 2021-06-16 | 基于残差生成对抗网络的脑电信号去噪方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113723171B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114947883B (zh) * | 2022-06-15 | 2024-05-14 | 中国科学技术大学 | 一种时频域信息融合的深度学习脑电降噪方法 |
| CN115153588B (zh) * | 2022-07-25 | 2023-06-06 | 陕西师范大学 | 融合密集残差和注意力机制的脑电时空去噪方法 |
| CN116035593B (zh) * | 2023-02-02 | 2024-05-07 | 中国科学技术大学 | 一种基于生成对抗式并行神经网络的脑电降噪方法 |
| CN116458894B (zh) * | 2023-04-21 | 2024-01-26 | 山东省人工智能研究院 | 基于复合型生成对抗网络的心电信号增强与分类方法 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107767408B (zh) * | 2017-11-09 | 2021-03-12 | 京东方科技集团股份有限公司 | 图像处理方法、处理装置和处理设备 |
| CN108765319B (zh) * | 2018-05-09 | 2020-08-14 | 大连理工大学 | 一种基于生成对抗网络的图像去噪方法 |
| CN109784242B (zh) * | 2018-12-31 | 2022-10-25 | 陕西师范大学 | 基于一维残差卷积神经网络的脑电信号去噪方法 |
| CN110473154B (zh) * | 2019-07-31 | 2021-11-16 | 西安理工大学 | 一种基于生成对抗网络的图像去噪方法 |
-
2021
- 2021-06-16 CN CN202110666391.0A patent/CN113723171B/zh not_active Expired - Fee Related
Also Published As
| Publication number | Publication date |
|---|---|
| CN113723171A (zh) | 2021-11-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113723171B (zh) | 基于残差生成对抗网络的脑电信号去噪方法 | |
| CN110361778B (zh) | 一种基于生成对抗网络的地震数据重建方法 | |
| CN111723701B (zh) | 一种水中目标识别方法 | |
| CN101515200B (zh) | 基于瞬态视觉诱发脑电的目标选择方法 | |
| CN112598593B (zh) | 基于非均衡深度期望块对数似然网络的地震噪声压制方法 | |
| CN112435162A (zh) | 一种基于复数域神经网络的太赫兹图像超分辨重建方法 | |
| CN110543832A (zh) | 基于随机森林和卷积神经网络的脑电数据分类方法 | |
| CN111543984B (zh) | 一种基于ssda的脑电信号的眼电伪迹去除方法 | |
| CN114648048B (zh) | 基于变分自编码和PixelCNN模型的心电信号降噪方法 | |
| CN115153588A (zh) | 融合密集残差和注意力机制的脑电时空去噪方法 | |
| CN113702666A (zh) | 一种光纤陀螺惯性测量单元信号联合降噪方法 | |
| CN115859054B (zh) | 基于mic-ceemdan的水电机组尾水管压力脉动信号去噪方法 | |
| CN116973677A (zh) | 基于空洞卷积与注意力机制的配网单相接地故障选线方法 | |
| CN111582205A (zh) | 一种基于多分辨率奇异值分解模型的降噪方法 | |
| Dadi et al. | Generating sparse stochastic processes using matched splines | |
| CN115859048A (zh) | 一种局放信号的噪声处理方法及装置 | |
| CN113567129A (zh) | 一种列车轴承振动信号基于ceemd的降噪方法 | |
| CN110008633B (zh) | 基于人工智能深度神经网络的公路噪音压制方法及系统 | |
| CN110361782B (zh) | 一种地震波形聚类方法与装置 | |
| CN112686807A (zh) | 一种图像超分辨率重构方法及系统 | |
| Han et al. | Genetic algorithm assisted wavelet noise reduction scheme for chaotic signals | |
| CN116594061B (zh) | 一种基于多尺度u形注意网络的地震数据去噪方法 | |
| Oroumchian | ECEI Spectrogram Denoising and Feature Extraction Using a Multi-Wavelet Convolutional Neural Network Model | |
| CN109085649B (zh) | 一种基于小波变换优化的地震资料去噪方法 | |
| Xu | MEU Convolutional Neural Network and Random Noise Suppression of Seismic Data |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221111 |